Un apprenant efficace est celui qui réutilise ce qu'il connaît déjà pour aborder un nouveau problème. Pour un apprenant machine, cela signifie comprendre les similarités entre les ensembles de données. Afin d'y parvenir, il faut prendre au sérieux l'idée de travailler avec des ensembles de données plutôt qu'avec des points de données individuels comme objets clés à modéliser. Dans cette optique, nous démontrons une extension du modèle d'autoencodeur variationnel capable d'apprendre une méthode pour calculer des représentations, ou statistiques, d'ensembles de données de manière non supervisée. Le réseau est formé pour produire des statistiques qui encapsulent un modèle génératif pour chaque ensemble de données. Par conséquent, le réseau permet un apprentissage efficace à partir de nouveaux ensembles de données, tant pour les tâches non supervisées que supervisées. Nous montrons que nous sommes capables d'apprendre des statistiques qui peuvent être utilisées pour : regrouper des ensembles de données, transférer des modèles génératifs vers de nouveaux ensembles de données, sélectionner des échantillons représentatifs d'ensembles de données et classifier des classes jamais vues auparavant. Nous appelons notre modèle un « statisticien neuronal », par lequel nous entendons un réseau neuronal capable d'apprendre à calculer des statistiques résumées d'ensembles de données sans supervision.